Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

AI-assisterad salivdiagnostik med en elektrokemisk sensorplattform för upptäckt av parodontit (SALIENCE) (SALIENCE)

19 november 2025 uppdaterad av: Shariel Sayardoust, Ostergotland County Council, Sweden

Utveckling och validering av en AI-assisterad elektrokemisk sensorplattform för salivbaserad diagnostik av parodontit

Denna observationsstudie syftar till att utveckla och validera en ny, AI-assisterad elektrokemisk sensorplattform för salivbaserad diagnostik vid parodontit. Parodontit är en kronisk inflammatorisk sjukdom som påverkar tandköttet och de stödjande vävnaderna kring tänderna. Trots dess höga globala prevalens förblir tidig diagnos utmanande eftersom sjukdomen ofta fortskrider tyst tills irreversibel skada har inträffat.

Saliv erbjuder ett lovande, icke-invasivt diagnostiskt medium som återspeglar både munhälsa och systemisk hälsa. Dess biologiska komplexitet och variabilitet har dock begränsat dess kliniska användning. Detta projekt adresserar dessa utmaningar genom att kombinera avancerad elektrokemisk detektering med artificiell intelligens (AI) och syntetisk datagenerering för att förbättra diagnostisk precision och tillförlitlighet.

Studien innefattar insamling av salivprover från vuxna deltagare med diagnosticerad parodontit och från friska kontroller. Proverna kommer att analyseras med hjälp av en modulär sensorplattform utrustad med flera elektroder som detekterar elektrokemiska signaler från ett brett spektrum av salivbiomarkörer. Sensordata kommer sedan att bearbetas med maskininlärningsmodeller tränade på både verkliga och syntetiska data för att klassificera sjukdomstillstånd.

De huvudsakliga målen är att:

Utvärdera prestandan hos den elektrokemiska sensormatrisen för salivanalys.

Utveckla och validera AI-baserade algoritmer för att upptäcka och differentiera mellan friska och sjuka prover.

Generera genomförbarhetsdata som stöder framtida klinisk implementering av salivbaserad diagnostik för parodontit.

Detta tvärvetenskapliga projekt kombinerar expertis inom klinisk odontologi, biomedicinsk teknik och datavetenskap. Det genomförs i samarbete mellan Linköpings universitet och Malmö universitet, med patientprovtagning som utförs på en ansluten tandvårdsklinik.

Studien förväntas resultera i en fungerande proof-of-concept-enhet som möjliggör realtids, icke-invasiv detektering av parodontit vid vårdpunkten. Genom att möjliggöra tidigare diagnos och mer personanpassad behandling kan denna teknik transformera parodontalvård och fungera som en grund för framtida salivbaserad diagnostik riktad mot andra mun- och systemiska sjukdomar.

Studieöversikt

Status

Har inte rekryterat ännu

Detaljerad beskrivning

Bakgrund och motivering Parodontit är en kronisk inflammatorisk sjukdom som påverkar tändernas stödjevävnader och är en av de vanligaste munhålesjukdomarna världen över. Trots dess höga förekomst förblir tidig diagnos en stor utmaning, eftersom nuvarande diagnostiska verktyg förlitar sig på retrospektiva mått som fickdjup, blödning vid sondering och radiografiskt benförlust. Dessa indikatorer återspeglar tidigare vävnadsförstöring snarare än aktuell sjukdomsaktivitet, vilket leder till försenad diagnos och behandling.

Saliv är en attraktiv diagnostisk vätska för icke-invasiv, realtidsövervakning av sjukdomar eftersom den innehåller en komplex blandning av biomarkörer som återspeglar både munhälsa och systemisk hälsa. Dess biologiska variabilitet, matrixeffekter och känslighet för kontaminering har dock begränsat dess tillförlitlighet som ett diagnostiskt medium. För att övervinna dessa utmaningar integrerar detta projekt elektrokemisk detektering med artificiell intelligens (AI)-driven datatolkning och syntetisk datagenerering för att möjliggöra robust salivbaserad diagnostik.

Studieobjektiv

Det övergripande målet är att utveckla och validera en AI-assisterad elektrokemisk sensorplattform som kan upptäcka biokemiska mönster i saliv associerade med parodontit. Specifika mål är att:

Designa och optimera en modulär, flerelektrodsensorplattform för salivanalys.

Utveckla och validera AI-algoritmer för realtidssignaltolkning och sjukdomsklassificering.

Generera genomförbarhets- och konceptbevisdata för framtida klinisk implementering inom tandvård.

Studiedesign och metoder Detta är en observationsstudie som innefattar salivprovtagning från vuxna deltagare diagnostiserade med parodontit och friska kontrollsubjekt. Ungefär 25 parodontitpatienter och en utökad kontrollgrupp kommer att rekryteras från ett samarbetande tandvårdsklinik.

Den elektrokemiska sensorplattformen kommer att inkludera flera elektrodtyper (kol, guld, platina, palladium), var och en vald för specifika elektrokemiska och biokemiska egenskaper. Elektroderna kommer att detektera ett brett spektrum av salivbiomarkörer, inklusive metaboliter relaterade till inflammation, oxidativ stress och mikrobiell aktivitet. Systemet stöder flera analytiska lägen, såsom differentialpulsvoltammetri (DPV), som ger hög känslighet och upplösning över flera analytter.

Insamlade salivprover kommer först att testas under kontrollerade laboratorieförhållanden för att etablera baslinjesensorresponser. Utvalda prover kommer också att genomgå kompletterande analyser (t.ex. H-NMR, LC-MS) för kalibrering och validering. Sensorsignaler kommer att bearbetas och klassificeras med övervakade och oövervakade maskininlärningsmodeller, inklusive supportvektormaskiner och slumpmässiga skogar. Syntetisk dataaugmentering, baserad på generativa modeller som variationella autoencoders, kommer att användas för att öka datamängdens mångfald och förbättra modellgeneraliserbarhet, särskilt i den tidiga fasen när provantalet är begränsat.

Implementeringsplan Projektet är organiserat över 24 månader, med start i september 2025.

Månad 1-4: Urval och prestandajämförelse av elektrodmaterial i artificiella och friska salivprover.

Månad 5-8: Montering av den första prototypen med integrerad AI-signalinläsning och säker, GDPR-kompatibel dataöverföring.

Månad 9-12: Utveckling av syntetiska dataset och initial träning av maskininlärningsmodeller.

Månad 9-19: Klinisk salivprovtagning och iterativ modellförfining med nya data.

Månad 21-24: Testning i verklig miljö av konceptbevissystemet i en klinisk miljö, dataanalys och spridning av resultat.

Datahantering och analys All insamlad data kommer att avidentifieras och bearbetas enligt GDPR och etiska standarder. Sensorutdata kommer att länkas till avidentifierad klinisk metadata. Maskininlärningsmodeller kommer att utvärderas baserat på klassificeringsnoggrannhet, känslighet, specificitet och robusthet mot biologisk variabilitet. Statistiska analyser kommer att inkludera korsvalidering och prestandajämförelser över elektrodkonfigurationer och AI-modeller.

Förväntade resultat och betydelse Studien kommer att resultera i en funktionell konceptbevisprototyp av ett AI-assisterat salivdiagnostiskt system. Plattformen syftar till att ge snabb, icke-invasiv detektering av parodontit vid vårdpunkten. Om framgångsrik kommer den att representera ett paradigmskifte inom parodontal diagnostik, vilket möjliggör tidigare detektering, bättre riktade interventioner och förbättrade patientutfall.

Bortom parodontit tillåter systemets modulära design anpassning för andra sjukdomar, inklusive munhålscancer, systemisk inflammation och metaboliska störningar. Denna flexibilitet ökar dess långsiktiga potential som en skalbar diagnostisk teknologi för både tandvårds- och medicinska tillämpningar.

Etiska överväganden och riskhantering Studien har godkänts av den svenska etikprövningsmyndigheten (referensnummer: 2025-04853-01). Alla deltagare kommer att lämna skriftligt informerat samtycke före provtagning. Studien innebär minimal risk, begränsad till det obehag som är förknippat med salivprovtagning. Ingen experimentell behandling eller invasiva procedurer kommer att utföras.

Potentiella tekniska risker, såsom variabilitet i salivprover eller enhetsprestanda, kommer att minskas genom standardiserade provtagningsprotokoll och iterativ prototypförfining. Den modulära hårdvarudesignen säkerställer att individuella komponenter kan justeras eller bytas utan att äventyra hela systemet.

Samarbete och expertis Detta tvärvetenskapliga projekt sammanför experter inom klinisk odontologi, biomedicinsk teknik och datavetenskap. Studien leds av Assoc. Prof. Shariel Sayardoust (Linköpings universitet och Östergötlands län), med medarbetare Assoc. Prof. Magnus Falk, Assoc. Prof. Julia Davies och Dr. Erdal Akin från Malmö universitet. Industrisamarbete med Redoxme AB stöder hårdvaruprototypning och integration.

Tillsammans strävar konsortiet efter att lägga grunden för nästa generations salivdiagnostik som kombinerar AI, elektrokemisk detektering och patientcentrerad vård i vardaglig klinisk praktik.

Studietyp

Observationell

Inskrivning (Beräknad)

200

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

Studera Kontakt Backup

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Ja

Testmetod

Icke-sannolikhetsprov

Studera befolkning

Vuxna deltagare (≥18 år) kommer att rekryteras från en ansluten tandklinik. Studiepopulationen består av två grupper: (1) patienter med klinisk diagnos av parodontit enligt AAP/EFP-klassificeringen från 2018, och (2) parodontalt friska vuxna utan tecken på parodontal sjukdom. Alla deltagare måste kunna ge informerat samtycke och ett salivprov enligt studiens protokoll.

Beskrivning

Inklusionskriterier:

Vuxna ≥18 år.

Kan och är villig att ge skriftligt informerat samtycke.

Förmåga att lämna ett ostimulerat helsalivprov enligt protokoll (ingen mat, dryck, tuggummi, tandborstning eller rökning inom 60 minuter före provtagning).

Parodontitgrupp: Klinisk diagnos av parodontit enligt 2018 AAP/EFP-kriterier (t.ex. interdigital CAL ≥3 mm vid ≥2 icke-intilliggande tänder med radiologiskt benförlust; sondpocketdjup ≥4 mm i ≥2 tänder).

Frisk kontrollgrupp: Inga kliniska tecken på parodontal sjukdom (inga sonddjup >3 mm, blödning vid sondering <10 % och ingen radiologisk benförlust).

Exklusionskriterier:

Systemiska antibiotika eller systemisk antiinflammatorisk/immunsuppressiv behandling under de senaste 3 månaderna.

Parodontalbehandling (scaling/rotplaning eller kirurgi) under de senaste 6 månaderna.

Nuvarande akut oral infektion eller absces.

Systemiska tillstånd som är kända för att markant förändra salivsammansättning/flöde (t.ex. Sjögrens syndrom, tidigare huvud-halsstrålning, pågående cellgiftsbehandling, okontrollerad diabetes).

Användning av starkt xerogena läkemedel som inte har en stabil dos ≥4 veckor, eller kliniskt signifikant hyposalivation som förhindrar provtagning.

Oförmåga att följa provtagningsförfaranden (t.ex. kan inte avstå från mat/dryck/tobak i 60 minuter före provtagning).

Graviditet eller amning.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Periodontitgrupp
Vuxna diagnosticerade med parodontit baserat på kliniska kriterier.
Hälsokontrollgrupp
Vuxna utan kliniska tecken på parodontit.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Känslighet och Specificitet hos den AI-assisterade elektrokemiska salivsensorn för att upptäcka parodontit
Tidsram: Inom 24 månader efter studie start (slut på datainsamling och analys).

Detta utfall bedömer den diagnostiska noggrannheten hos den AI-assisterade elektrokemiska sensorplattformen genom att beräkna känslighet, specificitet, positivt prediktivt värde (PPV), negativt prediktivt värde (NPV) och arean under mottagaroperatörens karakteristiska kurva (AUC). Plattformen analyserar elektrokemiska signalmönster i salivprover, och en AI-baserad klassificeringsmodell förutsäger om deltagarna har parodontit.

Klinisk parodontalstatus (parodontit kontra parodontal hälsa) kommer att fastställas med hjälp av en fullständig munundersökning enligt klassificeringskriterierna från Världsarbetsgruppen 2017. Diagnostiska noggrannhetsmått från sensorplattformen kommer att jämföras med denna kliniska guldstandard.

Inom 24 månader efter studie start (slut på datainsamling och analys).

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Within-Run Repeatability of Electrochemical Saliva Sensor Signals (Coefficient of Variation)
Tidsram: Mätt under hela 24-månaders studieperioden.
Detta resultat kommer att bedöma inom-serie repeterbarheten av elektrokemiska signalmätningar som genereras av sensorgruppen vid analys av salivprover. Repeterbarheten kommer att kvantifieras med hjälp av variationskoefficienten (CV%) beräknad från flera på varandra följande mätningar av samma salivprov under standardiserade laboratorieförhållanden.
Mätt under hela 24-månaders studieperioden.
Korrelation mellan sensorutdata och biokemiska referensanalyser
Tidsram: 24 månader
För att utvärdera korrelationen mellan elektrokemiska sensorsvar och konventionella biokemiska eller molekylära referensmetoder (t.ex. LC-MS, H-NMR) för validering av analytisk noggrannhet.
24 månader
System Usability Scale (SUS)-poäng för klinisk användning av den AI-assisterade salivsensorns plattform
Tidsram: 24 månader

Genomförbarheten för klinisk implementering kommer att utvärderas med hjälp av System Usability Scale (SUS), ett validerat 10-frågeformulär som ger ett globalt användbarhetsresultat från 0 till 100. SUS-poängen kommer att bedöma upplevd användbarhet, inlärningsbarhet och integration i tandvårdsarbetsflödet bland klinisk personal som använder den AI-assisterade salivsensorn. Högre poäng indikerar bättre användbarhet och genomförbarhet för rutinmässig klinisk implementering.

SUS-poängen kommer att sammanfattas med medelvärde och standardavvikelse.

24 månader

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Beräknad)

1 december 2025

Primärt slutförande (Beräknad)

31 december 2027

Avslutad studie (Beräknad)

30 juni 2028

Studieregistreringsdatum

Först inskickad

15 november 2025

Först inskickad som uppfyllde QC-kriterierna

19 november 2025

Första postat (Faktisk)

28 november 2025

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

28 november 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

19 november 2025

Senast verifierad

1 oktober 2025

Mer information

Termer relaterade till denna studie

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .

Prenumerera